基于动态关联图注意力网络的虚拟电厂居民短期负荷预测

居民短期负荷预测能够为虚拟电厂提供实时、灵活的电力需求信息,有助于虚拟电厂实现能源高效利用与优化电力市场交易。由于居民负荷相关性的日益凸显,传统预测方法仅基于单个居民历史负荷进行时序预测,无法满足规模化虚拟电厂对居民负荷关联性的综合需求。基于此,文中提出一种基于动态关联图注意力网络的虚拟电厂居民短期负荷预测方法。首先,提出了混合相关性分析方法来刻画居民负荷之间的线性和非线性关系,并进一步提出了权重剪枝阈值机制得到居民负荷混合相关性矩阵;然后,基于该矩阵构建动态关联图结构,进而提出时间图注意力网络机制以深入学习居民负荷的时空关联特性,并实现居民短期负荷预测目标;最后,以某地区实际居民负荷数据为例,验证了所提方法的有效性。

基于时间和关系感知的图协同过滤跨域序列推荐

跨域序列推荐旨在从给定的某用户在不同领域中的历史交互序列中挖掘其偏好,预测其在多个领域中最可能与之交互的下一个项目,以缓解数据稀疏对用户意图捕捉和预测的影响.受协同过滤思想启发,提出一种基于时间和关系感知的图协同过滤跨域序列推荐(timeandrelation-awaregraph collaborative filtering for cross-domain sequential recommendation,TRaGCF)算法,充分挖掘用户高阶行为模式同时利用跨域用户行为模式双向迁移,解决序列推荐中的数据稀疏问题.首先,为获得用户行为序列中项目间复杂的时序依赖关系,提出时间感知图注意力(time-aware graph attention,Ta-GAT)学习项目的域间序列级表示;其次,通过域内用户-项目交互二部图挖掘用户的行为偏好,提出关系感知图注意力(relation-aware graph attention,Ra-GAT)学习项目协同表示和用户协同偏好表示,为用户偏好特征的跨域迁移提供基础;最后为同步提高2个领域中的推荐效果,提出用户偏好特征双向迁移模块(user preference feature bi-directional transfer module,PBT),实现迁移用户域间共有偏好,保留用户域内特有偏好.在Amazon Movie-Book和Food-Kitchen数据集上验证了算法的正确性和有效性.实验结果表明,在跨域序列推荐场景下考虑项目间深层复杂的关联关系对挖掘用户意图十分必要;实验还验证了在跨域迁移用户偏好过程中保留域内用户特有偏好对全面用户画像的重要性.